面向对象技术是计算机应用领域最近几年迅速发展起来的一个新生事物,它的出现被 认为是程序设计方法学方面的一场实质性革命。它与传统的结构化程序设计相比较,具有 许多优点,但最主要的是它注意了数据与程序之间不可分割的内在联系,并把它们进行数据 抽象,封装成一个统一的整体,从而使程序设计者摆脱具体的数据格式和过程的束缚,将精 力集中于要处理的对象的设计和研究上大大减少了软件开发很难避免的繁杂性;大大提高 了软件开发的效率和效益

竞争学习和Kohonen自组织网络 竞争学习根据输入模式来更新权值，输入单元i与所有输 出单元j 用wij 连接。输入的数目即为输入的维数，输出的 数目即为输入数据要聚类的数目

神经元网络的特点： （1）非线性 （2）分布处理 （3）学习并行和自适应 （4）数据融合 （5）适用于多变量系统 （6）便于硬件实现

1. 学习使用刚体转动惯量实验仪测定规则物体的转动惯量，并与理论值进行比较。 2. 用作图法处理数据，熟悉并掌握有关作图法的基本要求。 3. 用实验方法验证平行轴定理

排序问题的基本概念，三种简单排序算法（插入排序、冒泡排序、选择排序）； Shell排序，快速排序，归并排序，堆排序，基数排序。 ★ 选讲地址排序、各种排序算法的理论和实验时间代价的讨论以及排序问题的下限的研究。 ◼ 8.1 排序问题的基本概念 ◼ 8.2 插入排序（Shell排序） ◼ 8.3 选择排序（堆排序） ◼ 8.4 交换排序 ❑ 8.4.1 冒泡排序 ❑ 8.4.2 快速排序 ◼ 8.5 归并排序 ◼ 8.6 分配排序和索引排序 ◼ 8.7 排序算法的时间代价

一 理论上的可计算与现实上的可计算 二 算法时间复杂度分析 2.1概念、数学表示 2.2时间复杂度分析 2.2.1循环 2.2.2递归

本实验提出了一套改进的“化学反应摩尔焓变测定”实验的方法与仪器。改进的实验仪器选用热传导系数较小的聚甲基丙烯酸甲酯为原料制成量热计，并在盖上设计了小型加料器；采用磁力搅拌器混合溶液，以数字式温度计测温，可在两小时内完成锌粉与硫酸铜溶液反应的摩尔焓变和量热计热容的测定。获得的实验数据重现性好，温度随时间变化有较好的线性关系。十次测定结果的相对标准偏差为0.58%，所测定的摩尔焓变与理论值的相对误差为2.0%

黏度是冶金熔渣的基本物理性质，其大小直接影响到反应速率、熔渣分离效果等冶炼过程。通过深入探索熔渣黏度与其结构的关系，在分析熔渣黏度与其(NBO/T)比值（即单个聚合物粒子所拥有的非桥氧数量）相互关系的基础上，本文提出基于（NBO/T）比值的多元熔渣黏度计算模型。首先建立SiO2–∑MxO简单渣系的黏度计算模型，通过拟合纯氧化物和SiO2–MxO二元渣系的黏度数据得到模型参数，拟合平均误差在9%～18.5%之间；随后将该模型扩展至SiO2–Al2O3–∑MxO多元渣系的黏度计算，针对Al2O3在熔渣中同时表现出酸性氧化物和碱性氧化物的特点，在计算SiO2–Al2O3–MxO三元渣系黏度时，将其中的Al2O3拆分为酸性物质和碱性物质来计算（NBO/T）比值和黏度活化能。在SiO2–MxO二元系模型参数的基础上，通过拟合SiO2–Al2O3–MxO三元渣系的黏度数据得到含Al2O3渣系的模型参数，拟合平均误差在10%～25%之间。利用该模型计算了SiO2–Al2O3–CaO–MgO–FeO–Na2O–K2O–Li2O–BaO–SrO–MnO多元复杂渣系及其子体系的黏度值，计算平均误差在25%以内，取得了较好的预报效果。本模型基于熔渣结构理论，并借鉴了经验模型的数据处理方式，在预报效果和适用范围上都优于传统经验模型，在计算方式上比结构模型要简单

1. 掌握卡方检验的原理和方法（公式）的来源及推导过程。 2. 掌握卡方检验的适用条件（样本特性）和样本数据的的特点。 3. 知道卡方检验中对变量进行加权的意义。 4. 掌握卡方检验中实际数和理论值的运算关系，以及不同的实际数和理论值条件下对检验结果的影响。 5. 学会通过卡方检验的结果来分析试验设计中的假设检验是否具有显著性统计意义。 6．行列分割的意义和方法

油箱壳外形复杂,拉深成形过程中容易出现侧壁起皱和圆角处破裂的缺陷,成形工艺参数的确定非常重要.结合分类与回归决策树(classification and regression tree,CART)的人工智能技术和模型交叉验证方法,通过调用Python平台开源库Scikit-Learn对油箱壳拉深成形数值模拟结果进行知识挖掘,筛选出对油箱壳拉深成形影响大的工艺参数;以基尼指数(Gini index)最小化作为最优特征值及最优切分点选择的依据,构建了工艺参数与性能指标关系的CART决策树,提取出了可靠的工艺设计规则.油箱壳拉深实例表明,CART决策树理论的知识发现技术是实现板料成形过程数值模拟结果潜在知识挖掘的可行途径